Shop : Details
Shop
Details
Daniel Beck
Bedeutung und Nutzen von Predictive Analytics für metallbasierte additive Fertigungssysteme
Die Dissertation untersucht die Vorhersage ungeplanter Ausfälle von PBF-LB/M-Systemen (Laser-basierte Pulverbettfusion von Metallen) mittels KI und maschinellem Lernen. Ziel ist Kostenreduktion und Verbesserung der Maschinenzuverlässigkeit in der metallbasierten additiven Fertigung. Die Studie analysiert tausende Baujobs aus realen industriellen Produktionsumgebungen verschiedener Industriesektoren.
In der Arbeit wurde CRISP-DM, eine Methode zur Kombination von Data Mining und betriebswirtschaftlichen Zielen, eingesetzt. Der Fokus lag auf der Reduzierung der Kosten durch präventive Baujobabbrüche und Fehler-Ursachen-Analyse mittels Interpretation von Black-Box-Modellen. Die Daten wurden in aggregierte Form konvertiert und zur Lösung des binären Klassifizierungsproblems mittels verschiedener Lernverfahren verarbeitet. Gradient Boosted Trees wurde als bestes Lernverfahren identifiziert und weiter optimiert. Die Ergebnisse zeigten exzellente Prognosegüten innerhalb der ersten 3-6 Stunden der Produktionsphase.
Die Studie zeigt durchschnittliche Kosteneinsparungen von 10-40% bei präventiven Eingriffen und überproportionale Einsparungen für langandauernde, hochvolumige Bauteile bei zunehmenden Ausfallraten. SHAP wurde zur Interpretation von Black-Box-Modellen und Identifizierung von Maßnahmen zur Steigerung der Maschinenzuverlässigkeit eingesetzt.
Zukünftige Projekte könnten ein Frühwarnsystem für PBF-Systembetreiber entwickeln, um Kostenvorteile und bessere Maschinenkontrolle zu realisieren. Die Arbeit zeigt Potenzial ungenutzter Sensordaten aus additiven Baujobs für die Wertschöpfungskette. Der Fokus sollte auf kooperativem Datenaustausch zwischen Marktteilnehmern liegen, um neue Geschäftsmodelle zu finden und additive Fertigung zur industriellen Serienreife zu führen.
In der Arbeit wurde CRISP-DM, eine Methode zur Kombination von Data Mining und betriebswirtschaftlichen Zielen, eingesetzt. Der Fokus lag auf der Reduzierung der Kosten durch präventive Baujobabbrüche und Fehler-Ursachen-Analyse mittels Interpretation von Black-Box-Modellen. Die Daten wurden in aggregierte Form konvertiert und zur Lösung des binären Klassifizierungsproblems mittels verschiedener Lernverfahren verarbeitet. Gradient Boosted Trees wurde als bestes Lernverfahren identifiziert und weiter optimiert. Die Ergebnisse zeigten exzellente Prognosegüten innerhalb der ersten 3-6 Stunden der Produktionsphase.
Die Studie zeigt durchschnittliche Kosteneinsparungen von 10-40% bei präventiven Eingriffen und überproportionale Einsparungen für langandauernde, hochvolumige Bauteile bei zunehmenden Ausfallraten. SHAP wurde zur Interpretation von Black-Box-Modellen und Identifizierung von Maßnahmen zur Steigerung der Maschinenzuverlässigkeit eingesetzt.
Zukünftige Projekte könnten ein Frühwarnsystem für PBF-Systembetreiber entwickeln, um Kostenvorteile und bessere Maschinenkontrolle zu realisieren. Die Arbeit zeigt Potenzial ungenutzter Sensordaten aus additiven Baujobs für die Wertschöpfungskette. Der Fokus sollte auf kooperativem Datenaustausch zwischen Marktteilnehmern liegen, um neue Geschäftsmodelle zu finden und additive Fertigung zur industriellen Serienreife zu führen.
Schlagwörter: Künstliche Intelligenz; PBF; 3D-Druck; CRISP-DM; Maschinenausfälle; Gradient Boosted Trees; XGBoost; SHAP-Visualisierungen; Maschinenalter; Serienfertigung; Vorhersagemodelle; Zeitsegmente; Kosteneinsparungen; Ausfallraten; Präventive Maßnahmen
Verfügbare Online-Dokumente zu diesem Titel
DOI 10.2370/9783844091083
Sie benötigen den Adobe Reader, um diese Dateien ansehen zu können. Hier erhalten Sie eine kleine Hilfe und Informationen, zum Download der PDF-Dateien.
Bitte beachten Sie, dass die Online-Dokumente nicht ausdruckbar und nicht editierbar sind.
Bitte beachten Sie auch weitere Informationen unter: Hilfe und Informationen.
Bitte beachten Sie auch weitere Informationen unter: Hilfe und Informationen.
| Dokument |  | Gesamtdokument | ||
| Dateiart |  | |||
| Kosten |  | 37,35 € | ||
| Aktion |  | Zahlungspflichtig kaufen und anzeigen der Datei - 9,2 MB | ||
| Aktion |  | Zahlungspflichtig kaufen und download der Datei - 9,2 MB | ||
| Dokument |  | Inhaltsverzeichnis | ||
| Dateiart | | |||
| Kosten |  | frei | ||
| Aktion |  | Anzeigen der Datei - 3,0 MB | ||
| Aktion |  | Download der Datei - 3,0 MB | ||
Benutzereinstellungen für registrierte Online-Kunden (Online-Dokumente)
Sie können hier Ihre Adressdaten ändern sowie bereits georderte Dokumente erneut aufrufen.
Benutzer
Nicht angemeldet
Export bibliographischer Daten
Shaker Verlag GmbHAm Langen Graben 15a52353 Düren
Mo. - Do. 8:00 Uhr bis 16:00 UhrFr. 8:00 Uhr bis 15:00 Uhr
Kontaktieren Sie uns. Wir helfen Ihnen gerne weiter.
